Github上的開源工程Semantic Segmentation Suite（語義分割套件），由來自美國建筑智能服務公司的機器學習工程師George Seif創建，使用Tensorflow實現了大量最新的語義分割算法，最近，該開源庫新加入了CVPR2018最新公開的Dense Decoder Shortcut Connections模型與DenseASPP模型,和ECCV2018曠視科技新提出的實時語義分割算法BiSeNet!
開源庫

Semantic Segmentation Suite的目標是希望人們借助它可以輕松實現代碼、訓練、測試最新的語義分割算法。

目前的主要功能有：
1)訓練和測試模式;
2)數據增廣;
3)內含幾個最新的state-of-the-art語義分割模型，并且這些模型可以非常容易地做到即插即用；
4)可以方便對接目前主流的任何語義分割數據集；
5)評估準則包含：precision, recall, f1 score, average accuracy, per-class accuracy, and mean IoU；
6)在訓練時按照epoch繪制損失函數loss和精度；

當前支持的特征提取模型：
MobileNetV2, ResNet50/101/152 與 InceptionV4。

當前支持的語義分割算法：
1)SegNet,arXiv2015;
2)SegNet with skip connections,PAMI2017;
3)MobileNet-UNet,arXiv2017;
4)PSPNet,CVPR2017;
5)FC-DenseNet,CVPR2017;
6)DeepLabV3,axXiv2017;
7)RefineNet,CVPR2017;
8)Full-Resolution Residual Networks(FRRN),CVPR2017;
9)Global Convolutional Network with Large Kernel,CVPR2017;
10)AdapNet,ICRA2017;
11)ICNet,ECCV2018;
12)DeepLabV3+,ECCV2018;
13)DenseASPP,CVPR2018;
14)Dense Decoder Shorcut Connections,CVPR2018;
15)BiSeNet,ECCV2018;
全是最近兩年出現的state-of-the-art!

該庫已經內置了語義分割訓練、測試、預測的示例代碼：

下面是使用FC-DenseNet103模型在CamVid數據集上訓練結果示例：

工程主頁：
//github.com/GeorgeSeif/Semantic-Segmentation-Suite